بررسی استفاده از شبکه های عصبی برای پیش بینی دوز رادیویودین در بیماران مبتلا به هیپرتیروئیدیسم

هدف: توسعه یک مدل شبکه عصبی پس انداز (Back Propagation, BP) که بتواند دوز مورد نیاز برای درمان با ید رادیواکتیو)۱۳۱I(در بیماران مبتلا به هیپرتیروئیدیسم را پیش بینی کرده و برنامه های درمانی شخصی سازی شده را محاسبه کند. روش ها: داده های جامعی از بیماران شامل سابقه پزشکی، نتایج معاینات و دوره های درمانی از بخش های پزشکی هسته ای چندین دانشکده پزشکی در شانگهای جمع آوری شد. این مجموعه داده برای ایجاد یک مدل پیش بینی استفاده شد. عملکرد پیش بینی شبکه های عصبی پس انداز (BP)، شبکه های عصبی با تابع پایه شعاعی (RBF) و ماشین های بردار پشتیبان (SVM) با استفاده از داده های نمونه کوچک مقایسه گردید. پس از انتخاب بهترین مدل، دوزهای تجویزشده توسط آن پیش بینی شده و دقت مدل مورد آزمون قرار گرفت. نتایج: خطاهای میانگین پیش بینی برای مدل های شبکه عصبی BP، شبکه عصبی RBF و ماشین بردار پشتیبان (SVM) بر اساس داده های نمونه کوچک به ترتیب ۵.۵۳%، ۷.۰۹% و ۹.۶۴% بود. پس از ارزیابی، مدل شبکه عصبی BP به عنوان بهترین مدل انتخاب شد. برای اعتبارسنجی این مدل، ۳۰ مورد به صورت تصادفی انتخاب شدند. خطای میانگین، خطای میانگین مربعات، حداقل خطا و حداکثر خطا در پیش بینی ها به ترتیب ۷.۲۲%، ۰.۰۵۳، ۰.۵۷% و ۱۳.۷۸% محاسبه شد. نتیجه گیری: این مطالعه یک روش پیش بینی مبتنی بر شبکه عصبی را برای تعیین دوز مناسب ید رادیواکتیو در بیماران مبتلا به هیپرتیروئیدیسم پیشنهاد می کند. این روش با کاهش احتمال آسیب های ناشی از تابش یا نتایج درمانی ناکافی ناشی از تجویز دوز نادرست، ارزش بالینی قابل توجهی دارد و به پزشکان ابزاری قابل اعتماد برای ارزیابی و تعیین دوز مناسب تجویزی ارائه می دهد.

کلیدواژه ها:

هیپرتیروئیدیسم ، درمان با ید رادیواکتیو (۱۳۱I) ، شبکه عصبی